WO2025154192A1 - 選定支援装置、選定支援方法および記録媒体 - Google Patents

選定支援装置、選定支援方法および記録媒体

Info

Publication number
WO2025154192A1
WO2025154192A1 PCT/JP2024/001072 JP2024001072W WO2025154192A1 WO 2025154192 A1 WO2025154192 A1 WO 2025154192A1 JP 2024001072 W JP2024001072 W JP 2024001072W WO 2025154192 A1 WO2025154192 A1 WO 2025154192A1
Authority
WO
WIPO (PCT)
Prior art keywords
patients
patient
clinical trial
selection
information
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
PCT/JP2024/001072
Other languages
English (en)
French (fr)
Inventor
雄一 矢野
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NEC Corp
Original Assignee
NEC Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by NEC Corp filed Critical NEC Corp
Priority to PCT/JP2024/001072 priority Critical patent/WO2025154192A1/ja
Publication of WO2025154192A1 publication Critical patent/WO2025154192A1/ja
Anticipated expiration legal-status Critical
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data

Definitions

  • the person in charge of selecting candidate trial patients will, for example, check the entries in medical records to extract patients who meet the selection criteria for clinical trial patients. For example, the person in charge will determine whether the selection criteria match the contents of the medical records. The person in charge will then extract as candidate clinical trial patients those patients whose selection criteria match the contents of the medical records.
  • a system that supports the extraction of candidate clinical trial patients may be used to extract candidate clinical trial patients.
  • Patent Document 1 The technology described in Patent Document 1 may not be accurate enough to select patients suitable for clinical trials.
  • the selection support method disclosed herein calculates the suitability of information about each patient's treatment to the selection criteria for clinical trial patients, generates a graph showing the relationships between patients based on each patient's attributes and treatment data, converts the suitability to the selection criteria and the graph into a feature vector for each patient, extracts patients who are suitable for the clinical trial from among the patients based on each patient's feature vector as candidate clinical trial patients, and outputs information about the extracted candidate clinical trial patients.
  • the recording medium of the present disclosure non-temporarily records a selection support program that causes a computer to execute the following processes: calculating the degree of suitability of information regarding each patient's treatment to the selection criteria for clinical trial patients; generating a graph showing the relationships between patients based on each patient's attributes and data regarding their treatment; converting the degree of suitability to the selection criteria and the graph into a feature vector for each patient; extracting patients who are suitable for the clinical trial from among the patients as candidate clinical trial patients based on each patient's feature vector; and outputting information regarding the extracted candidate clinical trial patients.
  • This disclosure makes it possible to improve the accuracy of selecting patients suitable for clinical trials.
  • FIG. 13 is a diagram showing an example of the extraction results of clinical trial candidates in the present disclosure.
  • FIG. 2 is a diagram illustrating an example of an operation flow of a selection support device according to the present disclosure.
  • FIG. 2 is a diagram illustrating an example of a hardware configuration of a selection support device according to the present disclosure.
  • FIG. 1 is a diagram showing an example of the configuration of a clinical trial support system.
  • the clinical trial support system includes a selection support device 10, a terminal device 20, and a data management device 30.
  • the selection support device 10 is connected to the terminal device 20, for example, via a network.
  • the selection support device 10 is connected to the data management device 30, for example, via a network.
  • a clinical trial support system is, for example, a system that supports the selection of clinical trial patients.
  • a clinical trial patient is, for example, a patient who is the subject of a clinical trial of a new drug.
  • the clinical trial support system outputs, for example, information indicating whether a patient receiving treatment at a medical institution is suitable for a clinical trial.
  • Suitable for a clinical trial means, for example, that the patient's condition is suitable for verifying the effectiveness of a drug.
  • the suitability of a patient for a clinical trial is determined, for example, based on the suitability of information about the patient's treatment to the selection criteria for clinical trial patients. In other words, clinical trial patients are selected from patients who meet the selection criteria for clinical trial patients.
  • the selection criteria are conditions for selecting a patient as a clinical trial patient.
  • the selection criteria include, for example, inclusion criteria and exclusion criteria.
  • the inclusion criteria indicate, for example, the criteria for including a patient in a clinical trial.
  • the exclusion criteria indicate, for example, the criteria for excluding a patient from a clinical trial.
  • the exclusion criteria are, for example, the criteria for not selecting a patient as a clinical trial patient.
  • the selection support device 10 can be accessed by, for example, a person in charge of a medical institution.
  • the person in charge of a medical institution is, for example, a doctor.
  • the person in charge of a medical institution may be a staff member other than a doctor.
  • the person in charge of a medical institution may include a person in charge of an institution that has been entrusted with work by the medical institution.
  • the person in charge of a medical institution is not limited to the above.
  • a person in charge at an institution entrusted with a clinical trial by a pharmaceutical company operating a terminal device sends the selection criteria to a person in charge at a medical institution, and inquires about information on patients who meet the selection criteria.
  • the institution entrusted with a clinical trial by the pharmaceutical company may be, for example, a CRO (Contract Research Organization).
  • the person in charge at an institution entrusted with a clinical trial by a pharmaceutical company may be, for example, a CRA (Clinical Research Associate).
  • the CRA may be an employee of the pharmaceutical company.
  • the CRA inquires of a medical institution's personnel about information regarding patients who meet the selection criteria for patients to be subjects of a clinical trial.
  • the CRA inquires about information regarding patients who meet the selection criteria for patients to be subjects of a clinical trial, for example, at the stage of creating a clinical trial protocol.
  • the clinical trial protocol is used, for example, to explain the contents of the clinical trial to and negotiate with the medical institution, and to submit notifications to related institutions.
  • the uses of the clinical trial protocol are not limited to the above.
  • the timing for inquiring about information regarding patients who meet the selection criteria is not limited to the stage of creating the clinical trial protocol.
  • the person in charge at the medical institution where the CRA is located is, for example, a person in charge at an institution that a hospital has outsourced to handle clinical trials.
  • An institution that a hospital has outsourced to handle clinical trials is, for example, an SMO (Site Management Organization).
  • SMO Site Management Organization
  • CRC Clinical Research Coordinator
  • the CRC operates the terminal device 20 to access the selection support device 10.
  • the selection support device 10 is a device that, for example, refers to data stored in the data management device 30 and extracts candidate clinical trial patients based on the selection criteria and information on patients suitable for the clinical trial.
  • the CRC accesses the selection support device 10 to extract information on patients suitable for the selection criteria sent from the CRA.
  • the CRC then returns the extracted patient information to the CRA.
  • the CRA for example, refers to the patient information included in the reply from the CRC and creates a clinical trial protocol.
  • the selection support device 10 may be operated by a third party.
  • a third party refers to an entity other than a pharmaceutical company, an institution commissioned by a pharmaceutical company, a medical institution, or an institution commissioned by a medical institution.
  • the entity operating the selection support device 10 receives data on the condition of patients from the medical institution, for example.
  • the selection support device 10 extracts and outputs candidates for clinical trial patients based on a request from a terminal device 20 used by a medical institution's staff member or a terminal device used by the pharmaceutical company's staff member, for example.
  • the selection support device 10 may also be operated by a pharmaceutical company or an institution commissioned by a pharmaceutical company. In this case, the selection support device 10 extracts and outputs information on candidate clinical trial patients by, for example, referring to pseudonymized information on treatment stored in the data management device 30. Examples of the configuration of the clinical trial support system are not limited to those described above. The configuration of the clinical trial support system may be set as appropriate.
  • FIG. 2 is a diagram showing an example of the configuration of the selection support device 10.
  • the selection support device 10 basically includes a compatibility calculation unit 12, a generation unit 13, a conversion unit 14, an extraction unit 15, and an output unit 17.
  • the selection support device 10 further includes, for example, an acquisition unit 11, a model generation unit 16, and a storage unit 18.
  • the acquisition unit 11 acquires information regarding the attributes and treatment of each patient.
  • the acquisition unit 11 also acquires, for example, the selection criteria for clinical trial patients.
  • the information regarding treatment is, for example, the attributes of the patient and a record of medical procedures in the treatment of the patient.
  • the acquisition unit 11 acquires, for example, the attributes of each patient and information regarding the treatment of the patient from the data management device 30.
  • Patient attributes are, for example, information that indicates the characteristics of a patient and is related to the patient's condition that does not change with treatment.
  • Patient attributes are, for example, information on one or more of the following items: the patient's gender, age, family composition, family medical history, nationality, and race. Patient attributes are not limited to the above.
  • the information regarding the patient's treatment is, for example, medical records of the patient's treatment.
  • the information regarding the patient's treatment is, for example, records of one or more of the following: diagnosis, examinations, medication, surgery, follow-up observation, and the patient's condition.
  • the information regarding the treatment may also include information on the person who performed the medical procedure.
  • the information on the person who performed the medical procedure is, for example, the name or identifier of the medical professional, i.e., doctor, nurse, pharmacist, and physical therapist.
  • the information regarding the patient's treatment is, for example, data on each patient recorded in an electronic medical record.
  • the information regarding the treatment may be test data.
  • the information regarding the patient's treatment may also be data written on a medical receipt.
  • the record of the patient's condition includes information on one or more items of, for example, disease information, complication information, biomarkers, disease status, guideline score, effects, and test results. Effects are, for example, the effects of treatment, drug administration, and surgery. The effects are not limited to the above.
  • Test results are, for example, the results of biopsies, imaging diagnostic tests, and genomic tests. The test results are not limited to the above. Furthermore, information regarding the patient's treatment is not limited to the above. Furthermore, information regarding the treatment is not limited to the above.
  • the acquisition unit 11 acquires at least one of the criteria for inclusion of patients in a clinical trial and the criteria for exclusion from the clinical trial as selection criteria.
  • the selection criteria include, for example, multiple criteria used to select clinical trial patients.
  • the compatibility calculation unit 12 calculates the compatibility of the treatment information for each patient with the selection criteria for clinical trial patients.
  • the compatibility calculation unit 12 calculates, for example, for each patient, the compatibility of the treatment information with each criterion included in the selection criteria.
  • the compatibility with the selection criteria is, for example, an index showing the degree to which the treatment information matches the clinical trial conditions indicated in the selection criteria.
  • the compatibility with the selection criteria may be the percentage of criteria, among those included in the selection criteria, for which the treatment information matches the clinical trial conditions indicated in each criterion.
  • the feature vector converted from the selection criteria reflects the contents of the selection criteria.
  • the suitability calculation model also converts the information on the treatment into a feature vector.
  • the suitability calculation model uses a dictionary to extract terms related to treatment from the information on the treatment.
  • the suitability calculation model then converts, for example, the terms extracted from the information on the treatment into a feature vector.
  • the feature vector converted from the information on the treatment reflects the contents of the information on the treatment.
  • the selection criteria and information on treatment are converted into feature vectors using, for example, Word2Vec.
  • the algorithm for converting the selection criteria and information on treatment into feature vectors is not limited to the above.
  • the compatibility calculation model calculates the compatibility with the selection criteria based on, for example, the Euclidean distance or cosine similarity between the feature vector converted from the conditions included in the selection criteria and the feature vector converted from the information on treatment.
  • the compatibility calculation unit 12 may calculate the compatibility based on data in which the selection criteria are structured. For example, the compatibility calculation unit 12 generates data in which the selection criteria are structured using a language model.
  • the language model in this case may be the same as the language model used when calculating the compatibility with the selection criteria based on information extracted using the language model as described above.
  • the language model in this case may be different from the language model used when calculating the compatibility with the selection criteria based on information extracted using the language model as described above.
  • the compatibility calculation unit 12 extracts information that corresponds to the items of the selection criteria from the information about the treatment.
  • the compatibility calculation unit 12 then calculates the compatibility based on whether the information about the treatment matches the conditions associated with the items of the selection criteria. Matching may also include similarity.
  • the items of the selection criteria are information that indicates what each of the criteria included in the selection criteria is a criterion for.
  • the language model may be, for example, GPT-2 (Generative Pre-trained Transformer-2), GPT-3 or GPT-4.
  • the language model may also be T5 (Text-to-Text Transfer Transformer), BERT (Bidirectional Encoder Representations from Transformers), RoBERTa (Robustly optimized BERT approach) or ELECTRA (Efficiently Learning an Encoder that Classifies Token Replacements Accurately).
  • the generating unit 13 generates a graph showing the relationships between patients based on each attribute of the patients and information on the treatment.
  • a graph showing the relationships between patients is also called a knowledge graph.
  • the generating unit 13 may generate a graph showing the relationships between patients based on either each attribute of the patients or information on the treatment.
  • the generating unit 13 generates a graph showing the relationships between patients based on, for example, items among the attributes of each patient and the information on the treatment that have a large impact on the onset of the disease, the progression of the disease, and the effectiveness of the medicine. For example, if a blood relative has developed a disease, there may be a high possibility that the same disease will occur. In such a case, the generating unit 13 generates a graph showing the relationships between patients based on the blood relationship and the medical history of the blood relative.
  • the items used to generate the graph may be set for each drug undergoing clinical trials.
  • the items used to generate the graph are set to include items related to blood relationships.
  • the items used to generate the graph are set to include, for example, weight, BMI (Body Mass Index), smoking history, alcohol consumption, and exercise volume.
  • the items used to generate the graph are set, for example, by the user of the selection support device 10.
  • the generating unit 13 generates a graph showing the relationships between patients, for example, by the following process. For example, the generating unit 13 converts attribute data for each patient into an embedding vector using a language model. The generating unit 13 also converts information about the patient's treatment for each patient into an embedding vector using a language model. The language model converts the information about the attributes and treatment into an embedding vector using, for example, a dictionary. Then, the generating unit 13 converts the information about the attributes and treatment of each patient into a feature vector using, for example, the converted embedding vector.
  • the feature vector in this case is a multidimensional vector that reflects the information about the attributes and treatment of each patient. In other words, the feature vector in this case is a multidimensional vector that represents the characteristics of each patient.
  • the language model converts each of the information on the attributes and treatment of the patient into an embedding vector, for example, using a dictionary generated based on terms in the field of use.
  • the language model may convert the information on the attributes and treatment into an embedding vector using multiple dictionaries. In this case, the language model converts the information on the attributes and treatment into an embedding vector, for example, using a dictionary corresponding to the medical field in general and a dictionary corresponding to the medical department in which the drug under clinical trial is used.
  • the language model used by the generation unit 13 may be the same as the language model used by the compatibility calculation unit 12. In addition, the language model used by the generation unit 13 may be different from the language model used by the compatibility calculation unit 12. For example, Word2Vec may be used as the language model.
  • GPT-2, GPT-3, or GPT-4 may be used as the language model.
  • T5 BERT, RoBERTa, or ELECTRA may be used as the language model.
  • the language model used for conversion into an embedding vector is not limited to the above.
  • the generating unit 13 calculates the similarity between patients, for example, by using the distance between the feature vectors of each patient.
  • the generating unit 13 calculates the similarity between patients, for example, by calculating the distance between the feature vectors.
  • the distance between the vectors is, for example, the Euclidean distance.
  • the distance between the feature vectors is not limited to the Euclidean distance.
  • the generating unit 13 may also calculate the similarity between patients by calculating the cosine similarity between the feature vectors.
  • the generating unit 13 generates a graph showing the relationship between patients by connecting nodes with edges based on the similarity between patients.
  • the nodes represent, for example, each patient.
  • the edges represent, for example, the relationship between patients.
  • the graph showing the relationship between patients is, for example, a graph in which nodes representing each patient are connected with edges connecting similar patients.
  • Similar means, for example, that information regarding attributes and treatments has a relationship.
  • Information regarding attributes and treatments has a relationship means, for example, that when one meets the selection criteria for a clinical trial, the other is highly likely to also meet the selection criteria for a clinical trial.
  • similar means that, for example, if one patient meets a certain selection criterion, there is a high probability that the other patient will also meet the criterion. Similar can also include identical.
  • FIG. 9 is an example of a display screen that displays the results of extracting candidate clinical trial patients along with a graph showing the relationships between patients.
  • the suitability of each clinical trial patient, which corresponds to a node in the graph is shown as a clinical trial patient.
  • patients who are suitable for the clinical trial are represented by an "O".
  • patients who are not suitable for the clinical trial are represented by an "X”.
  • each patient is shown as a node.
  • patients with similar attributes are connected by graph edges.
  • the terminal device 20 outputs the selection criteria to, for example, the acquisition unit 11 of the selection support device 10. Then, the terminal device 20 acquires information about candidate clinical trial patients from the output unit 17 of the selection support device 10. For example, the terminal device 20 acquires information about the suitability of the patient for the clinical trial from the output unit 17 of the selection support device 10. Then, the terminal device 20 outputs the information about the suitability of the patient for the clinical trial to a display device not shown.
  • the data management device 30 is a device that stores information related to a patient's treatment.
  • the information related to a patient's treatment is, for example, electronic medical record data entered by a doctor.
  • the information in the electronic medical record may also be data entered by a nurse or a medical technician.
  • the information related to a patient's treatment may be information on one or more items of the patient's disease information, complication information, biomarkers, disease status, guideline score, medical history, effects, and test results other than those described in the electronic medical record.
  • Figure 10 shows an example of the operation flow for the process of extracting candidate clinical trial patients.
  • the conversion unit 14 converts the graph showing the degree of conformance to the selection criteria and the relationships between patients into a feature vector for each patient (step S15).
  • the extraction unit 15 extracts patients who are suitable for the clinical trial from among the patients based on each patient's feature vector as candidate clinical trial patients (step S17).
  • the person in charge of extracting candidate clinical trial patients can make appropriate decisions regarding the selection of clinical trial patients, for example, by referring to the relationships between patients. Furthermore, by outputting the suitability of information about each patient's treatment against the selection criteria, the person in charge of extracting candidate clinical trial patients can make appropriate decisions regarding the selection of clinical trial patients, for example, by referring to the suitability of information about each patient's treatment against the selection criteria.
  • the selection support device 10 can support decision-making regarding the selection of candidate clinical trial patients.
  • the processes in the selection support device 10 may be distributed and executed in multiple information processing devices connected via a network.
  • the processes in the compatibility calculation unit 12, the generation unit 13, the conversion unit 14, and the extraction unit 15 may be executed in different information processing devices. It may be set as appropriate which information processing device executes each process in the selection support device 10.
  • the CPU 101 reads out and executes computer programs for performing each process from the storage device 103.
  • the CPU 101 may be configured by a combination of multiple CPUs.
  • the CPU 101 may also be configured by a combination of a CPU and another type of processor.
  • the CPU 101 may be configured by a combination of a CPU and a GPU (Graphics Processing Unit).
  • the memory 102 is configured by a DRAM (Dynamic Random Access Memory) or the like, and temporarily stores the computer programs executed by the CPU 101 and data being processed.
  • the storage device 103 stores the computer programs executed by the CPU 101.
  • the storage device 103 is configured by, for example, a non-volatile semiconductor storage device. Other storage devices such as a hard disk drive may be used for the storage device 103.
  • a suitability calculation means for calculating the suitability of information on the treatment of each patient with respect to the selection criteria for clinical trial patients;
  • a generating means for generating a graph showing a relationship between patients based on the attributes of each patient and the data related to the treatment;
  • a conversion means for converting the degree of conformity with the selection criteria and the graph into a feature vector for each patient;
  • an extraction means for extracting patients who are suitable for the clinical trial from among the patients as candidates for the clinical trial patients based on the feature vectors of each of the patients;
  • An output means for outputting the extracted clinical trial patient candidates;
  • a selection support device equipped with:
  • the fitness calculation means calculates a fitness for each criterion included in the selection criteria for each of the patients,
  • the conversion means converts the degree of conformity for each criterion included in the selection criteria and the graph into a feature vector for each of the patients.
  • a selection support device as described in appendix 1.
  • the matching degree calculation means converts the information on the treatment of each of the patients into a feature quantity using a language model, and calculates the matching degree based on the converted feature quantity. 3.
  • a selection support device according to claim 1 or 2.
  • the matching degree calculation means calculates the matching degree based on a distance between a feature vector converted from the selection criteria and a feature vector converted from information on the treatment of each of the patients. 4.
  • the conversion means converts the degree of conformity with respect to the selection criterion and the graph into a feature vector for each of the patients using a conversion model that converts the degree of conformity with respect to the selection criterion and the graph into one feature vector; 5.
  • a selection support device according to any one of claims 1 to 4.
  • Appendix 6 the generating means converts the attributes of each patient and the data related to the treatment into features using a language model, and generates the graph based on the similarity between patients calculated from the features of each patient. 6.
  • a selection support device according to any one of appendix 1 to 5.
  • the output means further outputs a graph showing the relationship between the patients. 7.
  • a selection support device according to any one of appendix 1 to 6.
  • the output means further outputs a degree of conformity of each of the patients with respect to the selection criteria.
  • a selection support device according to any one of claims 1 to 7.
  • the selection criteria include at least one of conditions for inclusion of patients in the clinical trial and conditions for exclusion of patients from the clinical trial; 9. A selection support device according to any one of appendix 1 to 8.
  • the extraction means extracts the candidate clinical trial patients using an extraction model that extracts patients who meet a selection criterion based on the feature vectors of each of the patients. 10.
  • a selection support device according to any one of appendix 1 to 9.
  • Appendix 11 A model generating means for generating the extraction model by machine learning the relationship between the feature vector of each patient and the suitability for the clinical trial. 11.
  • [Appendix 13] calculating the degree of conformity of each patient's treatment information with the selection criteria for the clinical trial patients; A process of generating a graph showing the relationship between patients based on the attributes of each patient and the data related to the treatment; converting the degree of conformance to the selection criteria and the graph into a feature vector for each patient; extracting patients who are suitable for the clinical trial from among the patients as candidates for the clinical trial patients based on the feature vectors of each of the patients; and outputting the extracted candidates for clinical trial patients.

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

選択支援装置は、適合度算出部と、生成部と、変換部と、抽出部と、出力部を備える。適合度算出部は、治験患者の選定基準に対する、患者それぞれの治療に関する情報の適合度を算出する。生成部は、患者それぞれの属性および治療に関するデータを基に、患者間の関係を示すグラフを生成する。変換部は、選定基準に対する適合度およびグラフを、患者それぞれの特徴ベクトルに変換する。抽出部は、患者それぞれの特徴ベクトルを基に、患者の中から治験に適合する患者を治験患者の候補として抽出する。出力部は、抽出した治験患者の候補に関する情報を出力する。選択支援装置を用いることで、治験患者の抽出に関する意思決定を適切に行うことができる

Description

選定支援装置、選定支援方法および記録媒体
　本開示は、選定支援装置等に関する。
　医薬品の治験において、治験患者の候補を選定する担当者は、例えば、カルテの記載を確認することで治験患者の選定基準に適合する患者を抽出する。例えば、担当者は、選定基準と、カルテに記載された内容との一致の有無を判断する。そして、担当者は、選定基準と、カルテに記載された内容が一致する患者を治験患者の候補として抽出する。また、治験患者の候補の抽出には、治験患者の候補の抽出を支援するシステムが用いられることがある。
　特許文献１の被験者候補抽出システムは、治験計画書において定められている基準情報を抽出する。そして、特許文献１の被験者候補抽出システムは、基準情報を用いて抽出処理を行って、複数の患者の中から治験計画書に適合した被験者候補を抽出する。
国際公開第２０１９／２２５６７８号
　特許文献１に記載された技術では、治験に適する患者を抽出する精度が十分でない場合がある。
　本開示は、上記の課題を解決するため、治験に適した患者を抽出する精度を向上することができる選定支援装置等を提供することを目的とする。
　上記の課題を解決するため、本開示の選定支援装置は、治験患者の選定基準に対する、患者それぞれの治療に関する情報の適合度を算出する適合度算出手段と、患者それぞれの属性および治療に関するデータを基に、患者間の関係を示すグラフを生成する生成手段と、選定基準に対する適合度およびグラフを、患者それぞれの特徴ベクトルに変換する変換手段と、患者それぞれの特徴ベクトルを基に、患者の中から治験に適合する患者を治験患者の候補として抽出する抽出手段と、抽出した前記治験患者の候補に関する情報を出力する出力手段とを備える。
　本開示の選定支援方法は、治験患者の選定基準に対する、患者それぞれの治療に関する情報の適合度を算出し、患者それぞれの属性および治療に関するデータを基に、患者間の関係を示すグラフを生成し、選定基準に対する適合度およびグラフを、患者それぞれの特徴ベクトルに変換し、患者それぞれの特徴ベクトルを基に、患者の中から治験に適合する患者を治験患者の候補として抽出し、抽出した治験患者の候補に関する情報を出力する。
　本開示の記録媒体は、治験患者の選定基準に対する、患者それぞれの治療に関する情報の適合度を算出する処理と、患者それぞれの属性および治療に関するデータを基に、患者間の関係を示すグラフを生成する処理と、選定基準に対する適合度およびグラフを、患者それぞれの特徴ベクトルに変換する処理と、患者それぞれの特徴ベクトルを基に、患者の中から治験に適合する患者を治験患者の候補として抽出する処理と、抽出した治験患者の候補に関する情報を出力する処理とをコンピュータに実行させる選定支援プログラムを非一時的に記録する。
　本開示によると、治験に適した患者を抽出する精度を向上することができる。
本開示における治験支援システムの構成の一例を示す図である。 本開示における選定支援装置の構成の一例を示す図である。 本開示における治験への患者の組み入れ条件の一例を示す図である。 本開示における治験からの患者の除外条件の一例を示す図である。 本開示における適合度とグラフの一例を示す図である。 本開示における特徴ベクトルの一例を示す図である。 本開示における治験候補者の抽出結果の一例を示す図である。 本開示における治験候補者の抽出結果の一例を示す図である。 本開示における治験候補者の抽出結果の一例を示す図である。 本開示における選定支援装置の動作フローの一例を示す図である。 本開示における選定支援装置のハードウェアの構成の一例を示す図である。
　本開示の実施形態について図を参照して詳細に説明する。図１は、治験支援システムの構成の一例を示す図である。治験支援システムは、選定支援装置１０と、端末装置２０と、データ管理装置３０を備える。選定支援装置１０は、例えば、ネットワークを介して、端末装置２０と接続する。選定支援装置１０は、例えば、ネットワークを介して、データ管理装置３０と接続する。また、端末装置２０およびデータ管理装置３０は、それぞれ複数であってもよい。端末装置２０データ管理装置３０の数は、適宜、設定され得る。
　治験支援システムは、例えば、治験患者の選定を支援するシステムである。治験患者は、例えば、新薬の臨床試験の対象となる患者である。治験支援システムは、例えば、医療機関で治療を受けている患者について、治験に対する適合の有無を示す情報を出力する。治験に適合するとは、例えば、医薬品の効果を検証に適した病状であることである。治験に対する患者の適合の有無は、例えば、治験患者の選定基準への患者の治療に関する情報の適合度を基に判断される。すなわち、治験患者は、治験患者の選定基準に適合する患者の中から選定される。選定基準は、患者を治験患者として選定する条件である。選定基準は、例えば、組み入れ基準と除外基準とを含む。組み入れ基準は、例えば、患者を治験に組み入れる基準を示す。また、除外基準は、例えば、患者を治験から除外する基準を示す。すなわち、除外基準は、例えば、患者を治験患者として選定しない基準である。
　図１の例において、選定支援装置１０には、例えば、医療機関の担当者がアクセス可能である。医療機関の担当者は、例えば、医師である。医療機関の担当者は、医師以外の職員であってもよい。医療機関の担当者には、医療機関から業務を委託されている機関の担当者が含まれ得る。医療機関の担当者は、上記に限られない。
　図１の例において、例えば、医薬品の治験を行う製薬会社から治験を委託された機関の担当者は、端末装置を操作して、医療機関の担当者に対して、選定基準を送ることで選定基準に適合する患者に関する情報を問い合わせる。治験製薬会社から治験を委託された機関は、例えば、ＣＲＯ（Contract Research Organization）である。また、製薬会社から治験を委託された機関の担当者は、例えば、ＣＲＡ（Clinical Research Associate）である。ＣＲＡは、製薬会社の職員であってもよい。
　ＣＲＡは、例えば、医療機関の担当者に、治験対象となる患者の選定基準に適合する患者に関する情報を問い合わせる。ＣＲＡは、例えば、治験計画書を作成する段階において、治験対象となる患者の選定基準に適合する患者に関する情報を問い合わせる。治験計画書は、例えば、医療機関に対する治験の内容の説明及び交渉、並びに、関連機関への届け出に用いられる。治験計画書の用途は、上記に限られない。また、選定基準に適合する患者に関する情報を問い合わせるタイミングは、治験計画書を作成する段階に限られない。
　ＣＲＡが医療機関の担当者は、例えば、病院が治験への対応を委託している機関の担当者である。病院が治験への対応を委託している機関は、例えば、ＳＭＯ（Site Management Organization）である。また、病院が治験への対応を委託している機関の担当者は、例えば、ＣＲＣ（Clinical Research Coordinator）である。
　ＣＲＣは、例えば、端末装置２０を操作して選定支援装置１０にアクセスする。選定支援装置１０は、例えば、データ管理装置３０に保管されているデータを参照し、選定基準と、治験に適合する患者に関する情報を基に、治験患者の候補を抽出する装置である。ＣＲＣは、例えば、選定支援装置１０にアクセスすることでＣＲＡから送られてくる選定基準に適合する患者の情報を抽出する。そして、ＣＲＣは、ＣＲＡに抽出した患者の情報を返信する。ＣＲＡは、例えば、ＣＲＣからの返信に含まれる患者の情報を参照して、治験計画書を作成する。
　また、図１の例では、選定支援装置１０が医療機関によって運用されている例を示したが、選定支援装置１０は、第三者によって運用されていてもよい。第三者とは、製薬会社、製薬会社から委託された機関、医療機関および医療機関から委託された機関以外の主体のことをいう。この場合において、選定支援装置１０を運用する主体は、例えば、医療機関側から患者の状態に関するデータの提供を受ける。選定支援装置１０は、例えば、医療機関側の担当者が用いる端末装置２０または製薬会社側の担当者が用いる端末装置からの要求に基づいて、治験患者の候補の抽出および出力を行う。
　また、選定支援装置１０は、製薬会社または製薬会社から委託された機関によって運用されていてもよい。この場合において、選定支援装置１０は、例えば、データ管理装置３０に保存されている仮名加工された治療に関する情報を参照することで、治験患者の候補に関する情報の抽出および出力を行う。治験支援システムの構成の例は、上記に限られない。治験支援システムの構成は、適宜、設定され得る。
　ここで、選定支援装置１０の構成の具体例について説明する。図２は、選定支援装置１０の構成の例を示す図である。選定支援装置１０は、基本構成として、適合度算出部１２と、生成部１３と、変換部１４と、抽出部１５と、出力部１７を備える。また、選定支援装置１０は、例えば、取得部１１と、モデル生成部１６と、記憶部１８をさらに備える。
　取得部１１は、例えば、患者それぞれ属性と治療に関する情報を取得する。また、取得部１１は、例えば、治験患者の選定基準を取得する。治療に関する情報は、例えば、患者の属性と、患者の治療における医療行為の記録である。取得部１１は、例えば、データ管理装置３０から、患者それぞれの属性と、患者の治療に関する情報とを取得する。
　患者の属性は、例えば、患者の特徴を示す情報のうち、治療によって変化しない患者の状態に関する情報である。患者の属性は、例えば、患者の性別、年齢、家族構成、家族の病歴、国籍および人種のうち、１つまたは複数の項目の情報である。患者の属性は、上記に限られない。
　患者の治療に関する情報は、例えば、患者の治療における医療記録である。患者の治療に関する情報は、例えば、診断、検査、投薬、手術、経過観察および患者の状態のうち１つまたは複数の項目の記録である。また、治療に関する情報には、医療行為を行った担当者の情報が含まれていてもよい。医療行為を行った担当者の情報は、例えば、医療従事者、すなわち医師、看護師、薬剤師および理学療法士の氏名または識別子である。患者の治療に関する情報は、例えば、電子カルテに記録された患者それぞれのデータである。治療に関する情報は、検査データであってもよい。また、患者の治療に関する情報は、レセプトに記載されたデータであってもよい。
　患者の状態の記録は、例えば、疾患情報、合併症情報、バイオマーカー、疾病ステータス、ガイドラインスコア、効果および検査結果のうち、１つまたは複数の項目の情報を含む。効果は、例えば、治療、薬剤の投与および手術による効果である。効果は、上記に限られない。検査結果は、例えば、生体検査、画像診断検査およびゲノム検査の結果である。検査結果は、上記に限られない。また、患者の治療に関する情報は、上記に限られない。また、治療に関する情報は、上記に限られない。
　患者の治療に関する情報は、患者の状態を示す時系列データであってもよい。例えば、患者の状態に関する情報がバイオマーカーを用いた検査結果である場合に、患者の治療に関する情報は、異なる時期に実施されたバイオマーカーを用いた検査結果の時系列データである。また、例えば、患者の治療に関する情報が患者の年齢を基に変化が推測可能な情報である場合に、患者の治療に関する情報は、時系列データでなくてもよい。
　取得部１１は、患者の治験への組み入れ基準、および、治験からの除外基準の少なくとも一方を選定基準として取得する。選定基準は、例えば、治験患者の選定に用いられる複数の基準を含む。
　組み入れ基準は、例えば、治験患者の対象となる患者の条件を示す情報である。治験患者の対象となる患者の条件は、治験患者として適する患者の属性および治療における医療記録を用いて示される。また、除外基準は、治験患者の対象から患者を除外する条件を示す情報である。すなわち、除外基準は、例えば、治験患者として選定しない患者の条件を示す情報である。除外基準は、治験患者として適さない患者の属性および治療における医療記録を用いて示される。
　図３および図４は、肺がんの治療薬の治験を行う場合における選定基準の例である。図３は、選定基準のうち治験への患者の組み入れ基準を示す文章の例である。図３の治験への組み入れ基準の例では、組み入れ基準は、複数の基準を含んでいる。また、図４は、選定基準のうち治験からの患者の除外基準を示す文章の例である。図４の治験からの除外基準の例では、除外基準は、複数の基準を含んでいる。
　適合度算出部１２は、治験患者の選定基準に対する、患者それぞれの治療に関する情報の適合度を算出する。適合度算出部１２は、例えば、患者それぞれについて、選定基準に含まれる基準それぞれに対する治療に関する情報の適合度を算出する。選定基準に対する適合度は、例えば、選定基準において示されている治験の条件に対して、治療に関する情報が一致している度合いを示す指標である。選定基準に対する適合度は、選定基準に含まれる基準のうち、基準それぞれにおいて示されている治験の条件に対して、治療に関する情報が一致している基準の割合であってもよい。
　適合度算出部１２は、例えば、適合度算出モデルを用いて、治験患者の選定基準に対する、患者それぞれの治療に関する情報の適合度を算出する。適合度算出モデルは、例えば、選定基準から変換された特徴ベクトルと、電子カルテに記載された患者それぞれのデータから変換された特徴ベクトルを基に、適合度を算出する機械学習モデルである。適合度算出モデルは、例えば、選定基準に含まれる条件それぞれを特徴ベクトルに変換する。例えば、適合度算出モデルは、辞書を用いて選定基準から、治療に関する用語を抽出する。辞書には、例えば、医療分野における用語が含まれる。そして、適合度算出モデルは、例えば、選定基準から抽出された用語と用語間の関係を特徴ベクトルに変換する。すなわち、選定基準から変換された特徴ベクトルは、選定基準の内容を反映している。また、適合度算出モデルは、治療に関する情報を特徴ベクトルに変換する。例えば、適合度算出モデルは、辞書を用いて治療に関する情報から、治療に関する用語を抽出する。そして、適合度算出モデルは、例えば、治療に関する情報から抽出された用語を特徴ベクトルに変換する。すなわち、治療に関する情報から変換された特徴ベクトルは、治療に関する情報の内容を反映している。選定基準および治療に関する情報は、例えば、Word２Vecを用いて特徴ベクトル変換される。選定基準および治療に関する情報を特徴ベクトルに変換するアルゴリズムは、上記に限られない。適合度算出モデルは、例えば、選定基準に含まれる条件から変換された特徴ベクトルと、治療に関する情報から変換された特徴ベクトル間のユークリッド距離またはコサイン類似度を基に、選定基準に対する適合度を算出する。
　適合度算出部１２は、言語モデルを用いて抽出した情報を基に、選定基準に対する適合度を算出してもよい。適合度算出部１２は、例えば、言語モデルを用いて、患者それぞれの治療に関する情報から、選定基準に対応する情報を抽出する。そして、適合度算出部１２は、例えば、抽出された選定基準に対応する情報を基に、選定基準に対する適合度を算出する。適合度算出部１２は、例えば、選定基準に含まれる基準それぞれに類似する文章を、治療に関する情報から抽出する。そして、適合度算出部１２は、選定基準に含まれる基準それぞれに対する、抽出された治療に関する情報の適合度を算出する。適合度算出部１２は、例えば、選定基準に含まれる基準それぞれについて、選定基準に含まれる基準が示す用語または数値と、抽出された治療に関する情報に含まれる用語または数値の一致の有無を判断する。そして、適合度算出部１２は、例えば、選定基準に含まれる基準の総数に対する、治療に関する情報と用語または数値が一致した基準の数を選定基準に対する適合度として算出する。一致には、類似が含まれ得る。
　適合度算出部１２は、選定基準を構造化したデータを基に、適合度を算出してもよい。適合度算出部１２は、例えば、言語モデルを用いて選定基準を構造化したデータを生成する。この場合における言語モデルは、上述した、言語モデルを用いて抽出した情報を基に、選定基準に対する適合度を算出する場合における言語モデルと同一であってもよい。また、この場合における言語モデルは、上述した、言語モデルを用いて抽出した情報を基に、選定基準に対する適合度を算出する場合における言語モデルと異なっていてもよい。また、適合度算出部１２は、治療に関する情報から、選定基準の項目に該当する情報を抽出する。そして、適合度算出部１２は、選定基準の項目に関連付けられた条件に、治療に関する情報が一致するかを基に、適合度を算出する。一致には、類似も含まれ得る。選定基準の項目は、選定基準に含まれる基準それぞれが何についての基準であるかを示す情報である。
　選定条件を構造化したデータは、例えば、選定基準に含まれる基準それぞれの項目と、項目に対応する条件を関連付けたデータである。例えば、図３の組み入れ基準の例では、「年齢」、「診断」、「病変サイズ」、「病変数」および「白血球数」が項目に該当する。また、図３の組み入れ基準の例では、例えば、項目が「年齢」である場合に、項目に該当する条件は、「２０歳以上」である。
　言語モデルには、例えば、ＧＰＴ－２（Generative Pre-trained Transformer-2）、ＧＰＴ－３またはＧＰＴ－４を用いることができる。また、言語モデルには、Ｔ５（Text-to-Text Transfer Transformer）、ＢＥＲＴ（Bidirectional Encoder Representations from Transformers）、ＲｏＢＥＲＴａ（Robustly optimized BERT approach）、または、ＥＬＥＣＴＲＡ（Efficiently Learning an Encoder that Classifies Token Replacements Accurately）が用いてもよい。
　適合度算出部１２は、項目に関連付けられた条件および治療に関する情報から適合度を算出する適合度算出モデルを用いて、適合度を算出してもよい。この場合において、適合度算出モデルは、選定基準それぞれの項目に関連付けられた条件および治療に関する情報と、選定基準に対する治療に関する情報の適合の有無の関係を学習することによって生成される。適合度算出モデルは、例えば、ニューラルネットワークを用いた深層学習によって生成される。適合度算出モデルを生成するアルゴリズムは、上記に限られない。また、適合度算出モデルは、例えば、選定支援装置１０の外部の装置において生成される。また、適合度算出部１２が適合度を算出する手法は、上記に限られない。
　生成部１３は、患者の属性それぞれの属性と、治療に関する情報を基に、患者間の関係を示すグラフを生成する。患者間の関係を示すグラフは、ナレッジグラフともいう。生成部１３は、患者の属性それぞれの属性と、治療に関する情報にいずれか一方を基に、患者間の関係を示すグラフを生成してもよい。生成部１３は、例えば、患者それぞれの属性および治療に関する情報のうち、病気の発症、病気の進行および薬の効果に影響が大きい項目を基に、患者間の関係を示すグラフを生成する。例えば、血縁のある親族に病気を発生した人物がいる場合に、同じ病気に発生する可能性が高いことがある。このような場合に、生成部１３は、血縁関係および血縁関係のある親族の病歴を基に、患者間の関係を示すグラフを生成する。
　患者それぞれの属性および治療に関する情報に含まれる項目のうち、グラフの生成に用いる項目は、治験を行う薬ごとに設定されてもよい。例えば、遺伝が病気の発症および進行に影響があることが判明している病気に用いられる薬では、グラフの生成に用いる項目は、血縁関係に関する項目を含むように設定される。また、病気の発症および進行に対して、生活習慣の影響が大きいことが判明している病気に用いられる薬では、グラフの生成に用いる項目は、例えば、体重、BMI（Body Mass Index）、喫煙履歴、飲酒量および運動量を含むように設定される。者それぞれの属性および治療に関する情報に含まれる項目のうち、グラフの生成に用いる項目は、例えば、選定支援装置１０の利用者によって設定される。
　生成部１３は、例えば、以下の処理によって患者間の関係を示すグラフを生成する。生成部１３は、例えば、患者それぞれについて、属性のデータを、言語モデルを用いて埋め込みベクトルに変換する。また、生成部１３は、例えば、患者それぞれについて、患者の治療に関する情報それぞれを、言語モデルを用いて埋め込みベクトルに変換する。言語モデルは、例えば、辞書を用いて、属性および治療に関する情報を埋め込みベクトルに変換する。そして、生成部１３は、例えば、変換した埋め込みベクトルを用いて、患者それぞれの属性および治療に関する情報を特徴ベクトルに変換する。この場合における特徴ベクトルは、患者それぞれの属性および治療に関する情報を反映した多次元のベクトルである。すなわち、この場合における特徴ベクトルは、患者それぞれの特徴を表す多次元のベクトルである。
　言語モデルは、例えば、利用分野における用語を基に生成された辞書を用いて、患者の属性および治療に関する情報それぞれを埋め込みベクトルに変換する。言語モデルは、複数の辞書を用いて、属性および治療に関する情報を埋め込みベクトルに変換してもよい。この場合において、言語モデルは、例えば、医療分野全般に対応した辞書と、治験の対象の薬が用いられる診療科に対応した辞書とを用いて、属性および治療に関する情報を埋め込みベクトルに変換する。生成部１３が用いる言語モデルは、適合度算出部１２が用いる言語モデルと同一であってもよい。また、生成部１３が用いる言語モデルは、適合度算出部１２が用いる言語モデルと異なっていてもよい。言語モデルには、例えば、Ｗｏｒｄ２Ｖｅｃを用いることができる。言語モデルには、ＧＰＴ－２、ＧＰＴ－３またはＧＰＴ－４を用いてもよい。また、言語モデルには、Ｔ５、ＢＥＲＴ、ＲｏＢＥＲＴａ、または、ＥＬＥＣＴＲＡが用いてもよい。埋め込みベクトルへの変換に用いる言語モデルは、上記に限られない。
　生成部１３は、例えば、患者それぞれの特徴ベクトル間の距離を用いて、患者間の類似度を算出する。生成部１３は、例えば、特徴ベクトル間の距離を算出することで、患者間の類似度を算出する。ベクトル間の距離は、例えば、ユークリッド距離である。特徴ベクトル間の距離は、ユークリッド距離に限られない。また、生成部１３は、特徴ベクトル間のコサイン類似度を算出することで、患者間の類似度を算出してもよい。生成部１３は、患者間の類似度を基に、ノード間をエッジで接続することで患者間の関係を示すグラフを生成する。ここで、ノードは、例えば、患者それぞれを示す。また、エッジは、例えば、患者間の関係を示す。すなわち、患者間の関係を示すグラフは、例えば、患者それぞれを示すノードを、類似する患者間を接続するエッジで接続したグラフである。類似するとは、例えば、属性および治療に関する情報が関係性を有することである。属性および治療に関する情報が関係性を有するとは、例えば、一方が治験の選定基準に適合する場合に、もう一方も治験の選定基準に適合する可能性が高いことをいう。すなわち、類似するとは、例えば、ある選定基準に対して一方の患者が適合する場合に、もう一方の患者も適合する可能性が高いことをいう。また、類似には同一が含まれ得る。
　生成部１３は、生成モデルを用いて、患者間の関係を示すグラフを生成してもよい。生成モデルは、例えば、患者それぞれの属性および治療に関する情報から、患者間の関係を示すグラフを生成する機械学習モデルである。生成部１３は、例えば、患者それぞれについて、属性に含まれるデータそれぞれを、言語モデルを用いて埋め込みベクトルに変換する。そして、生成部１３は、例えば、埋め込みベクトルと生成モデルの入力として、患者間の関係を示すグラフを生成する。生成モデルは、例えば、患者それぞれの属性および治療に関する情報と、患者間の関係を示すグラフの関係を学習することによって生成される。生成モデルは、例えば、ニューラルネットワークを用いた深層学習によって生成される。生成モデルの生成に用いる学習アルゴリズムは、上記に限られない。また、生成モデルは、例えば、選定支援装置１０の外部の装置において生成される。
　図５は、患者の関係を示すグラフと、選定基準に含まれる基準に対する患者の治療に関する情報の適合度の例を模式的に示す図である。図５の例では、患者の関係を示すグラフにおいて、「患者Ａ」と「患者Ｂ」の間、「患者Ａ」と「患者Ｃ」の間、「患者Ｂ」と「患者Ｄ」の間、「患者Ｃ」と「患者Ｄ」の間がそれぞれエッジによって接続されている。患者それぞれは、ノードに相当する。図３に示すグラフの例において、エッジによって接続されている患者どうしは、例えば、互いに属性が類似している。例えば、「患者Ａ」と「患者Ｂ」、「患者Ａ」と「患者Ｃ」、「患者Ｂ」と「患者Ｄ」、および、「患者Ｃ」と「患者Ｄ」は、互いに属性が類似している。
　また、図５の例では、「患者Ａ」、「患者Ｂ」、「患者Ｃ」および「患者Ｄ」それぞれの適合度が示されている。図５の例では、患者それぞれについて、選定基準に含まれる基準それぞれに対する患者の治療に関する情報の適合度が示されている。
　変換部１４は、選定基準に対する適合度および患者間の関係を示すグラフを、患者それぞれの特徴ベクトルに変換する。変換部１４は、例えば、選定基準に含まれる基準ごとの適合度および患者間の関係を示すグラフを、患者それぞれの特徴ベクトルに変換する。変換部１４は、例えば、適合度および患者間の関係を示すグラフを１つの特徴ベクトルに変換する変換モデルを用いて、選定基準に対する適合度および患者間の関係を示すグラフを、患者それぞれの特徴ベクトルに変換する。変換モデルは、例えば、選定基準に含まれる基準それぞれに対する患者の適合度および患者間の関係を示すグラフを、患者それぞれの特徴ベクトルに変換する機械学習モデルである。
　変換モデルは、例えば、以下のように生成される。変換モデルの生成における第１段階では、変換モデルを生成する学習器は、例えば、患者間の関係を示すグラフのエッジ経由でメッセージを交換するメッセージパッシングの手法を用いて、属性および治療に関する情報ごとにベクトル表現の学習を行う。第２段階では、学習器は、例えば、適合度、属性および治療に関する情報ごとのベクトルを組み合わせたノードごとのベクトル表現を学習する。ノードは、例えば、患者それぞれに対応する。このように生成された変換モデルは、適合度および患者間の関係を示すグラフを、特徴ベクトルに変換することができる。また、このような学習手法は、エンベッディングプロパゲーションともいう。変換モデルは、例えば、選定支援装置１０の外部のシステムにおいて生成される。変換モデルは、選定支援装置１０が備える、図示しない学習手段において生成されてもよい。
　図６は、変換モデルによって適合度および患者の関係を示すグラフから変換された特徴ベクトルの例である。図６の例に示す特徴ベクトルは、例えば、図５に示す患者それぞれの適合度および患者の関係を示すグラフから変換される。図６の例では、「患者Ａ」の適合度および患者の関係を示すグラフが、特徴ベクトル［a1, a2, a3, a4 ,a5, a6］に変換されている。図６の例では、「患者Ｂ」の適合度および患者の関係を示すグラフが、特徴ベクトル［ｂ1, ｂ2, ｂ3,ｂ4 ,ｂ5, ｂ6］に変換されている。また、図６の例では、「患者Ｃ」の適合度および患者の関係を示すグラフが、特徴ベクトル［c1, c 2, c 3, c 4 , c 5, c 6］に変換されている。
　抽出部１５は、患者それぞれの特徴ベクトルを基に、治験に適合する患者を治験患者の候補として抽出する。患者それぞれの特徴ベクトルは、変換部１４が、選定基準に対する患者それぞれの適合度および患者の関係を示すグラフから変換した特徴ベクトルである。抽出部１５は、例えば、治験に対する適合度が基準以上の患者を治験に適合する患者として抽出する。治験に対する適合度の基準は、例えば、適合度が基準を超えた患者が治験患者として適した患者となるように設定される。
　抽出部１５は、例えば、抽出モデルを用いて、治験患者の候補を抽出する。抽出モデルは、例えば、患者それぞれの特徴ベクトルを基に治験に適合する患者を抽出するために用いられる。抽出モデルは、例えば、患者それぞれの特徴ベクトルを入力として、治験に対する適合度を推定する機械学習モデルである。治験に対する適合度は、例えば、患者が治験に適合する確率である。抽出部１５は、例えば、抽出モデルが推定する、患者それぞれの治験に対する適合度を基に、治験に適合する患者を抽出する。すなわち、抽出部１５は、例えば、抽出モデルが推定する、患者それぞれの治験に対する適合度が基準以上の患者を、治験に適合する患者として抽出する。
　抽出部１５は、例えば、患者それぞれについて治験に対する適合の有無を抽出してもよい。また、抽出部１５は、患者の治験に対する適合度を複数の段階で抽出してもよい。適合度を複数段階で設定することにより、例えば、基準の一部を緩和した場合に治験患者の候補となる患者を抽出することが可能になる。抽出部１５は、例えば、患者それぞれについて、抽出モデルが推定する治験に対する適合度が複数の段階のうちいずれであるかを示す情報を抽出する。また、抽出部１５は、治験に適合する患者の人数を抽出してもよい。また、治験に対する適合度に応じた複数の段階が設定されている場合に、抽出部１５は、段階ごとの患者数を抽出してもよい。
　モデル生成部１６は、例えば、抽出モデルを生成する。モデル生成部１６は、例えば、患者それぞれの特徴ベクトルと、治験に対する適合の有無との関係を機械学習することによって抽出モデルを生成する。患者それぞれの特徴ベクトルは、変換部１４が変換モデルを用いて、適合度および患者間の関係を示すグラフから変換した特徴ベクトルである。治験に対する適合の有無は、患者それぞれの治験基準に対する適合の有無の実績データである。モデル生成部１６は、例えば、ニューラルネットワークを用いた深層学習によって、抽出モデルを生成する。抽出モデルは、選定支援装置１０の外部の装置で生成されてもよい。
　モデル生成部１６は、適合度算出部１２が選定基準に対する適合度の算出に用いる適合度算出モデルを生成してもよい。モデル生成部１６は、生成部１３がグラフの生成に用いる生成モデルを生成してもよい。また、モデル生成部１６は、変換部１４が特徴ベクトルへの変換に用いる変換モデルを生成してもよい。また、モデル生成部１６は、学習モデルそれぞれの再学習を行ってもよい。
　出力部１７は、抽出部１５が抽出した治験患者の候補に関する情報を出力する。治験患者の候補に関する情報は、例えば、出力部１７は、治験に適合する患者を識別する情報である。治験に適合する患者を識別する情報は、例えば、患者の氏名である。治験に適合する患者を識別する情報は、患者の氏名に限られない。また、出力部１７は、患者それぞれについて、治験に対する適合度を治験患者の候補に関する情報として出力してもよい。また、適合度に複数の段階が設定されている場合に、出力部１７は、患者それぞれについて、治験に対する適合度の段階を治験患者の候補に関する情報として出力してもよい。また、出力部１７は、治験に対する適合度が高い患者の順に、患者を識別する情報を出力してもよい。
　出力部１７は、抽出部１５が抽出した治験患者の候補に関する情報に加え、生成部１３が生成する患者間の関係を示すグラフを出力してもよい。また、抽出部１５は、生成部１３が生成する患者間の関係を示すグラフに、患者それぞれの治験に対する適合度を重畳して出力してもよい。
　出力部１７は、治験患者の候補の人数を治験患者の候補に関する情報として出力してもよい。治験患者の候補の人数は、例えば、治験に適合する患者数である。出力部１７は、例えば、治験に対する適合度が基準以上の患者の人数を出力する。また、適合度に複数の段階が設定されている場合に、出力部１７は、治験に対する適合度の段階ごとに、適合度の段階それぞれに含まれる患者の人数を出力してもよい。
　出力部１７は、患者それぞれについて、選定基準に対する適合度を出力してもよい。また、出力部１７は、患者それぞれについて、選定基準に含まれる基準それぞれに対する適合度を出力してもよい。出力部１７は、例えば、端末装置２０に、抽出部１５が抽出した治験患者の候補に関する情報を出力する。
　図７は、治験患者の候補の抽出結果の例である。図７の抽出結果の例では、治験患者ごとに治験患者としての適否が示されている。図７の抽出結果の例では、治験に適合している患者は、「○」で表されている。治験に適合する患者は、例えば、治験に対する適合度が基準以上の患者である。治験に対する適合度の基準は、患者が治験の対象者として適しているかを判定できるように設定される。図７の抽出結果の例では、治験に適合していない患者は、「×」で表されている。治験に適合していない患者は、例えば、治験に対する適合度が基準未満の患者である。
　図８は、治験患者の候補の抽出結果を、治験に対する患者の適合度を用いて示す例である。図８の抽出結果の例では、治験患者ごとに治験患者としての適合度が示されている。適合度は、例えば、抽出モデルが治験患者の候補を抽出する場合における、患者が治験患者の候補である確率である。治験患者の選定を行う担当者は、例えば、図８の例に示す抽出結果を参照して、治験患者として適している患者を選定することができる。出力部１７は、複数の段階によって示される適合度を出力してもよい。また、出力部１７は、治験に対する適合度の値または治験に対する適合度の段階を基に表示形態を変化させて、治験に対する適合度を出力してもよい。例えば、出力部１７は、治験に対する適合度の段階に応じて、数値の色を変化せて適合度を出力する。
　図９は、治験患者の候補の抽出結果とともに、患者間の関係を示すグラフを表示する表示画面の例である。図９の表示画面の例では、グラフのノードに相当する治験患者ごとに治験患者としての適否が示されている。図９の表示画面の例では、治験に適合している患者は、「○」で表されている。また、図９の表示画面の例では、治験に適合していない患者は、「×」で表されている。図９の表示画面の例では、患者それぞれがノードとして示されている。また、図９の表示画面の例では、属性が類似する患者同士がグラフのエッジを用いて接続されている。
　図９の表示画面の例において、例えば、「患者Ａ」の選定基準に対する適合度が０．９、「患者Ｂ」、「患者Ｃ」および「患者Ｄ」の選定基準に対する適合度が約０．７であったとする。この場合において、例えば、「患者Ａ」は、治験に適合する可能性が高い。このため、図９の表示画面の例において、「患者Ａ」の治験患者として適否は、「○」と表示されている。また、「患者Ａ」と関係が違い「患者Ｂ」および「患者Ｃ」の治験患者としての適否は、選定基準に対する適合度は、「患者Ａ」より低いが、「○」と表示されている。一方で、図９の表示画面の例において、「患者Ｄ」は、選定基準に対する適合度は、「患者Ｂ」および「患者Ｃ」と同程度であるが、「患者Ａ」と関係は、「患者Ｂ」および「患者Ｃ」より遠いため、治験患者として適否は、「○」と表示されている。このように、選定基準に対する適合度に加え、患者間の関係を基に、治験に適する患者を抽出することで、治験に適する患者の抽出の精度が向上し得る。また、治験患者の候補を選定する担当者は、例えば、図９の表示画面を参照することで、患者の属性の類似性を参照して治験患者の候補を選定することができる。
　記憶部１８は、例えば、治験患者の候補の抽出に関するデータを保存する。記憶部１８は、例えば、患者それぞれの属性および治療に関する情報を保存する。また、記憶部１８は、例えば、治験候補の患者の抽出結果を保存する。記憶部１８は、例えば、言語モデルおよび言語モデルが用いる辞書を保存する。記憶部１８は、例えば、適合度算出モデルを保存する。記憶部１８は、例えば、生成モデルを保存する。記憶部１８は、例えば、変換モデルを保存する。また、記憶部１８は、例えば、抽出モデルを保存する。言語モデル、適合度算出モデル、生成モデル、変換モデルおよび抽出モデルそれぞれは、記憶部１８以外の記憶手段に保存されてもよい。
　端末装置２０は、例えば、選定支援装置１０にアクセスし、治験に適合する患者の候補を抽出する処理に用いられる端末装置である。端末装置２０は、例えば、医療機関の担当者または医療機関から治験に対する業務を委託された機関の担当者が用いる端末装置である。医療機関から治験に対する業務を委託された機関の担当者は、例えば、ＣＲＣである。
　端末装置２０は、例えば、選定支援装置１０の取得部１１に、選定基準を出力する。そして、端末装置２０は、選定支援装置１０の出力部１７から、治験患者の候補に関する情報を取得する。例えば、端末装置２０は、選定支援装置１０の出力部１７から、治験に対する患者の適合度に関する情報を取得する。そして、端末装置２０は、図示しない表示装置に、治験に対する患者の適合度に関する情報を出力する。
　データ管理装置３０は、患者の治療に関する情報を保存する装置である。患者の治療に関する情報は、例えば、医師が入力する電子カルテのデータである。電子カルテの情報は、看護師または検査技師が入力したデータでもよい。患者の治療に関する情報は、電子カルテに記載されている以外の、患者の疾患情報、合併症情報、バイオマーカー、疾病ステータス、ガイドラインスコア、医療履歴、効果および検査結果のうち、１つまたは複数の項目の情報であってもよい。
　治験患者の候補を抽出する処理における動作について説明する。図１０は、治験患者の候補を抽出する処理における動作フローの例を示す図である。
　取得部１１は、例えば、患者それぞれの属性と、治療に関する情報を取得する（ステップＳ１１）。治療に関する自情報は、例えば、電子カルテに記録された患者それぞれの情報である。取得部１１は、例えば、データ管理装置３０から、患者それぞれの属性と、治療に関する情報を取得する。
　患者それぞれの属性と、治療に関する情報が取得されると、適合度算出部１２は、治験患者の選定基準に対する、患者それぞれの治療に関する情報の適合度を算出する（ステップＳ１２）。治験患者の選定基準は、例えば、選定支援装置１０の利用者によって、選定支援装置１０に入力される。
　患者すべてについて選定基準に対する適合度が算出されると（ステップＳ１３でＹｅｓ）、生成部１３は、患者それぞれの属性および治療に関する情報を基に、患者間の関係を示すグラフを生成する（ステップＳ１４）。
　患者間の関係を示すグラフが生成されると、変換部１４は、選定基準に対する適合度および患者間の関係を示すグラフを、患者それぞれの特徴ベクトルに変換する（ステップＳ１５）。
　対象となる患者すべてについて特徴ベクトルに変換されると（ステップＳ１６でＹｅｓ）、抽出部１５は、患者それぞれの特徴ベクトルを基に、患者の中から治験に適合する患者を治験患者の候補として抽出する（ステップＳ１７）。
　治験患者の候補が抽出されると、出力部１７は、抽出部１５が抽出した治験患者の候補に関する情報を出力する（ステップＳ１８）。出力部１７は、例えば、端末装置２０に、抽出部１５が抽出した治験患者の候補を出力する。ステップＳ１７において、治験患者の候補が抽出されなかった場合に、出力部１７は、例えば、治験患者の候補が存在しないことを示す情報を出力する。
　ステップＳ１３において、選定基準に対する適合度が算出されていない患者がいる場合に（ステップＳ１３でＮｏ）、ステップＳ１３に戻り、適合度算出部１２は、治験患者の選定基準に対する、患者それぞれの治療に関する情報の適合度を算出する。
　ステップＳ１６において、特徴ベクトルへの変換が終わっていない患者がいる場合に（ステップＳ１６でＮｏ）、ステップＳ１５に戻り、変換部１４は、選定基準に対する適合度および患者間の関係を示すグラフを、患者それぞれの特徴ベクトルに変換する。
　選定支援装置１０は、治験患者の選定基準と、患者それぞれの治療に関する情報との適合度を算出する。また、選定支援装置１０は、患者それぞれの属性および治療に関する情報を基に、患者間の関係を示すグラフを生成する。そして、選定支援装置１０は、適合度および患者間の関係を示すグラフを、患者それぞれの特徴ベクトルに変換する。選定支援装置１０は、患者それぞれの特徴ベクトルを基に、患者の中から治験に適合する患者を治験患者の候補として抽出する。このように、選定基準に対する適合度と、患者間の関係を基に、治験患者の候補を抽出することで、選定支援装置１０は、治験に適した患者を抽出する精度を向上することができる。
　選定支援装置１０は、例えば、患者それぞれの属性および治療に関する情報のうち、病気の発症、病気の進行および薬の効果に影響が大きい項目を基に、患者間の関係を示すグラフを生成する。そして、選定支援装置１０は、選定基準に対する適合度および患者間の関係を示すグラフから変換した特徴ベクトルを基に、治験に対する適合度を推定することで、治験に適合する患者を抽出する。このように、病気に対して影響の大きい項目を基にした患者間の関係を基に患者を抽出することで、治験において、薬の効果の検証を効率的に行うことができる可能性が高い。患者間の関係が類似している患者を複数、抽出することで、例えば、揺らぎの影響を抑制して薬の効果の検証が可能になり得るからである。このため、選定支援装置１０を用いることで、治験に適した患者を抽出する精度が向上し得る。
　また、患者が治験対象となったかを示す実績を基に、抽出モデルを再学習することで、選定支援装置１０は、例えば、実際に治験候補の患者を抽出する環境に応じて、抽出モデルを最適化することができる。このため、選定支援装置１０は、治験に適した患者をより精度よく抽出することができる。
　また、抽出した治験患者の候補に関する情報に加え、患者間の関係を示すグラフを出力することで、治験患者の候補を抽出する担当者は、例えば、患者間の関係を参照しながら治験患者の抽出に関する意思決定を適切に行うことができる。また、選定基準に対する患者それぞれの治療に関する情報の適合度を出力することで、治験患者の候補を抽出する担当者は、例えば、選定基準に対する患者それぞれの治療に関する情報の適合度を参照して、治験患者の抽出に関する意思決定を適切に行うことができる。このため、選定支援装置１０は、治験患者の候補を抽出に関する意思決定を支援することができる。
　選定支援装置１０における各処理は、ネットワークを介して接続されている複数の情報処理装置において分散されて実行されてもよい。例えば、適合度算出部１２、生成部１３、変換部１４および抽出部１５における処理は、別の情報処理装置において行われてもよい。選定支援装置１０における各処理をいずれの情報処理装置において行うかは、適宜、設定され得る。
　選定支援装置１０における各処理は、コンピュータプログラムをコンピュータで実行することによって実現することができる。図１１は、選定支援装置１０における各処理を行うコンピュータプログラムを実行するコンピュータ１００の構成の例を示したものである。コンピュータ１００は、ＣＰＵ（Central Processing Unit）１０１と、メモリ１０２と、記憶装置１０３と、入出力Ｉ／Ｆ（Interface）１０４と、通信Ｉ／Ｆ１０５を備える。
　ＣＰＵ１０１は、記憶装置１０３から各処理を行うコンピュータプログラムを読み出して実行する。ＣＰＵ１０１は、複数のＣＰＵの組み合わせによって構成されていてもよい。また、ＣＰＵ１０１は、ＣＰＵと他の種類のプロセッサの組み合わせによって構成されていてもよい。例えば、ＣＰＵ１０１は、ＣＰＵとＧＰＵ（Graphics Processing Unit）の組み合わせによって構成されていてもよい。メモリ１０２は、ＤＲＡＭ（Dynamic Random Access Memory）等によって構成され、ＣＰＵ１０１が実行するコンピュータプログラムや処理中のデータが一時記憶される。記憶装置１０３は、ＣＰＵ１０１が実行するコンピュータプログラムを記憶している。記憶装置１０３は、例えば、不揮発性の半導体記憶装置によって構成されている。記憶装置１０３には、ハードディスクドライブ等の他の記憶装置が用いられてもよい。入出力Ｉ／Ｆ１０４は、作業者からの入力の受付および表示データ等の出力を行うインタフェースである。通信Ｉ／Ｆ１０５は、端末装置２０、データ管理装置３０および他の情報処理装置との間でデータの送受信を行うインタフェースである。また、端末装置２０データ管理装置３０もコンピュータ１００と同様の構成とすることができる。
　各処理の実行に用いられるコンピュータプログラムは、データを非一時的に記録するコンピュータ読み取り可能な記録媒体に格納して頒布することもできる。記録媒体としては、例えば、データ記録用磁気テープや、ハードディスクなどの磁気ディスクを用いることができる。また、記録媒体としては、ＣＤ-ＲＯＭ（Compact Disc Read Only Memory）等の光ディスクを用いることもできる。不揮発性の半導体記憶装置を記録媒体として用いてもよい。
　上記の実施形態の一部または全部は、以下の付記のようにも記載されうるが、以下には限られない。
［付記１］
　治験患者の選定基準に対する、患者それぞれの治療に関する情報の適合度を算出する適合度算出手段と、
　患者それぞれの属性および前記治療に関するデータを基に、患者間の関係を示すグラフを生成する生成手段と、
　前記選定基準に対する適合度および前記グラフを、患者それぞれの特徴ベクトルに変換する変換手段と、
　前記患者それぞれの特徴ベクトルを基に、患者の中から治験に適合する患者を前記治験患者の候補として抽出する抽出手段と、
　抽出した前記治験患者の候補を出力する出力手段と、
　を備える選定支援装置。
［付記２］
　前記適合度算出手段は、前記患者それぞれについて、前記選定基準に含まれる基準ごとの適合度を算出し、
　前記変換手段は、前記選定基準に含まれる基準ごとの適合度および前記グラフを、前記患者それぞれの特徴ベクトルに変換する、
　付記１に記載の選定支援装置。
［付記３］
　前記適合度算出手段は、前記患者それぞれの治療に関する情報を、言語モデルを用いて特徴量に変換し、変換された特徴量を基に、前記適合度を算出する、
　付記１または２に記載の選定支援装置。
［付記４］
　前記適合度算出手段は、前記選定基準から変換された特徴ベクトルと、前記患者それぞれの治療に関する情報から変換された特徴ベクトルとの距離を基に、前記適合度を算出する、
　付記３に記載の選定支援装置。
［付記５］
　前記変換手段は、前記選定基準に対する適合度および前記グラフを１つの特徴ベクトルに変換する変換モデルを用いて、前記適合度および前記グラフを、前記患者それぞれの特徴ベクトルに変換する、
　付記１から４いずれかに記載の選定支援装置。
［付記６］
　前記生成手段は、患者それぞれの属性および前記治療に関するデータを、言語モデルを用いて特徴量に変換し、患者それぞれの特徴量から算出される患者間の類似度を基に、前記グラフを生成する、
　付記１から５いずれかに記載の選定支援装置。
［付記７］
　前記出力手段は、前記患者間の関係を示すグラフをさらに出力する、
　付記１から６いずれかに記載の選定支援装置。
［付記８］
　前記出力手段は、前記選定基準に対する前記患者それぞれの適合度をさらに出力する、
　付記１から７いずれかに記載の選定支援装置。
［付記９］
　前記選定基準は、治験への患者の組み入れ条件および治験からの患者の除外条件の少なくとも一方を含む、
　付記１から８いずれかに記載の選定支援装置。
［付記１０］
　前記抽出手段は、前記患者それぞれの特徴ベクトルを基に選定基準に適合する患者を抽出する抽出モデルを用いて、前記治験患者の候補を抽出する、
　付記１から９いずれかに記載の選定支援装置。
［付記１１］
　前記患者それぞれの特徴ベクトルと、治験に対する適合の有無との関係を機械学習することによって前記抽出モデルを生成するモデル生成手段をさらに備える、
　付記１０に記載の選定支援装置。
［付記１２］
　治験患者の選定基準に対する、患者それぞれの治療に関する情報の適合度を算出し、
　患者それぞれの属性および前記治療に関するデータを基に、患者間の関係を示すグラフを生成し、
　前記選定基準に対する適合度および前記グラフを、患者それぞれの特徴ベクトルに変換し、
　前記患者それぞれの特徴ベクトルを基に、患者の中から治験に適合する患者を前記治験患者の候補として抽出し、
　抽出した前記治験患者の候補を出力する、
　選定支援方法。
［付記１３］
　治験患者の選定基準に対する、患者それぞれの治療に関する情報の適合度を算出する処理と、
　患者それぞれの属性および前記治療に関するデータを基に、患者間の関係を示すグラフを生成する処理と、
　前記選定基準に対する適合度および前記グラフを、患者それぞれの特徴ベクトルに変換する処理と、
　前記患者それぞれの特徴ベクトルを基に、患者の中から治験に適合する患者を前記治験患者の候補として抽出する処理と、
　抽出した前記治験患者の候補を出力する処理と
　をコンピュータに実行させる選定支援プログラムを非一時的に記録する記録媒体。
　また、上述した付記１に従属する付記２から１１に記載した構成の一部または全ては、付記１２、付記１３に対しても付記２から１１と同様の従属関係により従属し得る。さらには、付記１、付記１２、付記１３に限らず、上述した各実施の形態から逸脱しない範囲において、様々なハードウェア、ソフトウエア、ウエアを記録するための種々の記録手段、またはシステムに対しても同様に、付記として記載した構成の一部または全てを従属させ得る。
　以上、実施の形態を参照して本開示を説明したが、本開示は上述の実施の 形態に限定されるものではない。本開示の構成や詳細には、本開示のスコープ内で当業者が理解し得る様々な変更をすることができる。そして、各実施の形態は、適宜他の実施の形態と組み合わせることができる。
　１０　　選定支援装置
　１１　　取得部
　１２　　適合度算出部
　１３　　生成部
　１４　　変換部
　１５　　抽出部
　１６　　モデル生成部
　１７　　出力部
　１８　　記憶部
　２０　　端末装置
　３０　　データ管理装置
　１００　　コンピュータ
　１０１　　ＣＰＵ
　１０２　　メモリ
　１０３　　記憶装置
　１０４　　入出力Ｉ／Ｆ
　１０５　　通信Ｉ／Ｆ

Claims (20)

  1. 　治験患者の選定基準に対する、患者それぞれの治療に関する情報の適合度を算出する適合度算出手段と、
    　患者それぞれの属性および前記治療に関する情報を基に、患者間の関係を示すグラフを生成する生成手段と、
    　前記選定基準に対する適合度および前記グラフを、患者それぞれの特徴ベクトルに変換する変換手段と、
    　前記患者それぞれの特徴ベクトルを基に、治験に適合する患者を前記治験患者の候補として抽出する抽出手段と、
    　抽出した前記治験患者の候補に関する情報を出力する出力手段と、
    　を備える選定支援装置。
  2. 　前記適合度算出手段は、前記患者それぞれについて、前記選定基準に含まれる基準それぞれに対する適合度を算出し、
    　前記変換手段は、前記選定基準に含まれる基準それぞれに対する適合度および前記グラフを、前記患者それぞれの特徴ベクトルに変換する、
    　請求項１に記載の選定支援装置。
  3. 　前記適合度算出手段は、前記患者それぞれの治療に関する情報を、言語モデルを用いて特徴量に変換し、変換された特徴量を基に、前記適合度を算出する、
    　請求項１または２に記載の選定支援装置。
  4. 　前記適合度算出手段は、前記選定基準から変換された特徴ベクトルと、前記患者それぞれの治療に関する情報から変換された特徴ベクトルとの距離を基に、前記適合度を算出する、
    　請求項３に記載の選定支援装置。
  5. 　前記変換手段は、前記選定基準に対する適合度および前記グラフを１つの特徴ベクトルに変換する変換モデルを用いて、前記適合度および前記グラフを、前記患者それぞれの特徴ベクトルに変換する、
    　請求項１から４いずれかに記載の選定支援装置。
  6. 　前記生成手段は、患者それぞれの属性および前記治療に関する情報の少なくとも一方を、言語モデルを用いて特徴量に変換し、患者それぞれの特徴量から算出される患者間の類似度を基に、前記グラフを生成する、
    　請求項１から５いずれかに記載の選定支援装置。
  7. 　前記出力手段は、前記患者間の関係を示すグラフをさらに出力する、
    　請求項１から６いずれかに記載の選定支援装置。
  8. 　前記出力手段は、前記選定基準に対する前記患者それぞれの適合度をさらに出力する、
    　請求項１から７いずれかに記載の選定支援装置。
  9. 　前記選定基準は、治験への患者の組み入れ条件および治験からの患者の除外条件の少なくとも一方を含む、
    　請求項１から８いずれかに記載の選定支援装置。
  10. 　前記抽出手段は、前記患者それぞれの特徴ベクトルを基に、治験に適合する患者を抽出する抽出モデルを用いて、前記治験患者の候補を抽出する、
    　請求項１から９いずれかに記載の選定支援装置。
  11. 　前記患者それぞれの特徴ベクトルと、治験に対する適合の有無との関係を機械学習することによって前記抽出モデルを生成するモデル生成手段をさらに備える、
    　請求項１０に記載の選定支援装置。
  12. 　治験患者の選定基準に対する、患者それぞれの治療に関する情報の適合度を算出し、
    　患者それぞれの属性および前記治療に関するデータを基に、患者間の関係を示すグラフを生成し、
    　前記選定基準に対する適合度および前記グラフを、患者それぞれの特徴ベクトルに変換し、
    　前記患者それぞれの特徴ベクトルを基に、治験に適合する患者を前記治験患者の候補として抽出し、
    　抽出した前記治験患者の候補に関する情報を出力する、
    　選定支援方法。
  13. 　前記患者それぞれについて、前記選定基準に含まれる基準それぞれに対する適合度を算出し、
    　前記選定基準に含まれる基準それぞれに対する適合度および前記グラフを、前記患者それぞれの特徴ベクトルに変換する、
    　請求項１２に記載の選定支援方法。
  14. 　前記患者それぞれの治療に関する情報を、言語モデルを用いて特徴量に変換し、変換された特徴量を基に、前記適合度を推定する、
    　請求項１２または１３に記載の選定支援方法。
  15. 　前記選定基準から変換された特徴ベクトルと、前記患者それぞれの治療に関する情報から変換された特徴ベクトルとの距離を基に、前記適合度を算出する、
    　請求項１４に記載の選定支援方法。
  16. 　前記選定基準に対する適合度および前記グラフを１つの特徴ベクトルに変換する変換モデルを用いて、前記適合度および前記グラフを、前記患者それぞれの特徴ベクトルに変換する、
    　請求項１２から１５いずれかに記載の選定支援方法。
  17. 　患者それぞれの属性および前記治療に関するデータを、言語モデルを用いて特徴量に変換し、患者それぞれの特徴量から算出される患者間の類似度を基に、前記グラフを生成する、
    　請求項１２から１６いずれかに記載の選定支援方法。
  18. 　前記患者間の関係を示すグラフをさらに出力する、
    　請求項１２から１７いずれかに記載の選定支援方法。
  19. 　前記選定基準に対する前記患者それぞれの適合度をさらに出力する、
    　請求項１２から１８いずれかに記載の選定支援方法。
  20. 　治験患者の選定基準に対する、患者それぞれの治療に関する情報の適合度を算出する処理と、
    　患者それぞれの属性および前記治療に関するデータを基に、患者間の関係を示すグラフを生成する処理と、
    　前記選定基準に対する適合度および前記グラフを、患者それぞれの特徴ベクトルに変換する処理と、
    　前記患者それぞれの特徴ベクトルを基に、患者の中から治験に適合する患者を前記治験患者の候補として抽出する処理と、
    　抽出した前記治験患者の候補に関する情報を出力する処理と
    　をコンピュータに実行させる選定支援プログラムを非一時的に記録する記録媒体。
PCT/JP2024/001072 2024-01-17 2024-01-17 選定支援装置、選定支援方法および記録媒体 Pending WO2025154192A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/JP2024/001072 WO2025154192A1 (ja) 2024-01-17 2024-01-17 選定支援装置、選定支援方法および記録媒体

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2024/001072 WO2025154192A1 (ja) 2024-01-17 2024-01-17 選定支援装置、選定支援方法および記録媒体

Publications (1)

Publication Number Publication Date
WO2025154192A1 true WO2025154192A1 (ja) 2025-07-24

Family

ID=96470871

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2024/001072 Pending WO2025154192A1 (ja) 2024-01-17 2024-01-17 選定支援装置、選定支援方法および記録媒体

Country Status (1)

Country Link
WO (1) WO2025154192A1 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019204247A (ja) * 2018-05-23 2019-11-28 地方独立行政法人市立大津市民病院 被験者候補抽出方法および被験者候補抽出システム
JP2022180080A (ja) * 2021-05-24 2022-12-06 ＴＸＰ Ｍｅｄｉｃａｌ株式会社 情報処理システム
WO2023248978A1 (ja) * 2022-06-21 2023-12-28 公益財団法人がん研究会 臨床試験支援方法、及び臨床試験支援システム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019204247A (ja) * 2018-05-23 2019-11-28 地方独立行政法人市立大津市民病院 被験者候補抽出方法および被験者候補抽出システム
JP2022180080A (ja) * 2021-05-24 2022-12-06 ＴＸＰ Ｍｅｄｉｃａｌ株式会社 情報処理システム
WO2023248978A1 (ja) * 2022-06-21 2023-12-28 公益財団法人がん研究会 臨床試験支援方法、及び臨床試験支援システム

Similar Documents

Publication Publication Date Title
Kweon et al. Publicly shareable clinical large language model built on synthetic clinical notes
US9165116B2 (en) Patient data mining
US8579784B2 (en) Personalized prognosis modeling in medical treatment planning
CA3082239A1 (en) System and method of using machine learning for extraction of symptoms from electronic health records
CN111627512A (zh) 一种相似病历的推荐方法、装置，电子设备及存储介质
US11940986B1 (en) Determining repair status information using unstructured textual repair data in response to natural language queries
US20180211730A1 (en) Health information (data) medical collection, processing and feedback continuum systems and methods
Liu Learning to write notes in electronic health records
Hammond The role of standards in creating a health information infrastructure
CN116259396A (zh) 基于机器学习的治疗费用预测方法、系统、设备及存储介质
Ashinze et al. Artificial intelligence: transforming cardiovascular healthcare in Africa
WO2022010384A1 (ru) Система для поддержки принятия врачебных решений
CN115713992A (zh) 资料分析系统及资料分析方法
JP2022180080A (ja) 情報処理システム
Payne et al. How well does ICD9 represent phrases used in the medical record problem list?
Pfutzenreuter et al. Machine learning in healthcare management for medical insurance cost prediction
JP7553165B1 (ja) プログラム、情報処理方法及び情報処理装置
Palilingan et al. Case-based reasoning for dengue hemorrhagic fever diagnosis using Manhattan distance
US20260128139A1 (en) Data generation device, data generation method, and recording medium
US20250356964A1 (en) Clinical trial support device, clinical trial support method, and recording medium
JP7766380B1 (ja) 治療計画、治療評価、治療指示作成支援システム
WO2025126298A1 (ja) 情報処理装置、情報処理方法および記録媒体
JP2022108170A (ja) 医療相談支援サーバ、クライアント端末、及び医療相談支援方法
WO2025109706A1 (ja) 選定支援装置、選定支援方法および記録媒体
JP7807126B1 (ja) 治療計画作成支援システム

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 24918838

Country of ref document: EP

Kind code of ref document: A1